ee.Classifier.smileKNN

Tworzy pusty klasyfikator k-NN.

Algorytm k-najbliższych sąsiadów (k-NN) to metoda klasyfikowania obiektów na podstawie głosowania większości sąsiadów. Obiekt jest przypisywany do klasy najczęściej występującej wśród jego k najbliższych sąsiadów (k to dodatnia liczba całkowita, zwykle mała i nieparzysta).

WykorzystanieZwroty
ee.Classifier.smileKNN(k, searchMethod, metric)Klasyfikator
ArgumentTypSzczegóły
kLiczba całkowita, domyślnie: 1Liczba sąsiadów do klasyfikacji.
searchMethodCiąg znaków, domyślnie: „AUTO”Metoda wyszukiwania. Prawidłowe wartości to [AUTO, LINEAR_SEARCH, KD_TREE, COVER_TREE]:

  • `AUTO` wybiera między KD_TREE a COVER_TREE w zależności od liczby wymiarów. Jeśli cechy mają mniej niż 10 wymiarów, używana jest metoda KD_TREE.
  • `LINEAR_SEARCH` – w przestrzeniach o większej liczbie wymiarów jest wydajniejsza niż metody podziału przestrzeni (np. drzewa K-D).
  • `KD_TREE` Metoda wyszukiwania najbliższych sąsiadów, która wykorzystuje strukturę zbioru danych z podziałem przestrzeni do porządkowania punktów w przestrzeni k-wymiarowej. Drzewa KD nie nadają się do wydajnego znajdowania najbliższego sąsiada w przestrzeniach o dużej liczbie wymiarów. Ogólnie rzecz biorąc, jeśli wymiarowość wynosi D, liczba punktów w zbiorze danych N powinna być znacznie większa niż 2^D.
  • `COVER_TREE` Drzewo pokrywające to struktura danych do ogólnego wyszukiwania najbliższych sąsiadów, która jest szczególnie wydajna w przestrzeniach o małym wymiarze wewnętrznym.

Wyniki mogą się różnić w zależności od metody wyszukiwania w przypadku remisów dotyczących odległości i wartości prawdopodobieństwa. Wydajność i wyniki mogą się różnić, dlatego zapoznaj się z dokumentacją SMILE i innymi materiałami.

metricCiąg znaków, domyślnie: „EUCLIDEAN”Wskaźnik odległości do użycia. UWAGA: KD_TREE (i AUTO w przypadku małej liczby wymiarów) nie będą używać wybranego rodzaju danych. Dostępne opcje:
  • `EUCLIDEAN` – odległość euklidesowa.
  • `MAHALANOBIS` – odległość Mahalanobisa.
  • `MANHATTAN` – odległość w metryce Manhattan.
  • `BRAYCURTIS` – odległość Braya-Curtisa.

Przykłady

Edytor kodu (JavaScript)

// Cloud masking for Landsat 8.
function maskL8sr(image) {
  var qaMask = image.select('QA_PIXEL').bitwiseAnd(parseInt('11111', 2)).eq(0);
  var saturationMask = image.select('QA_RADSAT').eq(0);

  // Apply the scaling factors to the appropriate bands.
  var opticalBands = image.select('SR_B.').multiply(0.0000275).add(-0.2);
  var thermalBands = image.select('ST_B.*').multiply(0.00341802).add(149.0);

  // Replace the original bands with the scaled ones and apply the masks.
  return image.addBands(opticalBands, null, true)
      .addBands(thermalBands, null, true)
      .updateMask(qaMask)
      .updateMask(saturationMask);
}

// Map the function over one year of data.
var collection = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2')
                     .filterDate('2020-01-01', '2021-01-01')
                     .map(maskL8sr);

// Make a median composite.
var composite = collection.median();

// Demonstration labels.
var labels = ee.FeatureCollection('projects/google/demo_landcover_labels')

// Use these bands for classification.
var bands = ['SR_B2', 'SR_B3', 'SR_B4', 'SR_B5', 'SR_B6', 'SR_B7'];
// The name of the property on the points storing the class label.
var classProperty = 'landcover';

// Sample the composite to generate training data.  Note that the
// class label is stored in the 'landcover' property.
var training = composite.select(bands).sampleRegions(
    {collection: labels, properties: [classProperty], scale: 30});

// Train a kNN classifier.
var classifier = ee.Classifier.smileKNN(5).train({
  features: training,
  classProperty: classProperty,
});

// Classify the composite.
var classified = composite.classify(classifier);
Map.setCenter(-122.184, 37.796, 12);
Map.addLayer(classified, {min: 0, max: 2, palette: ['red', 'green', 'blue']});

Konfiguracja Pythona

Informacje o interfejsie API dla Pythona oraz o używaniu geemap do interaktywnego programowania znajdziesz na stronie środowiska Python.

import ee
import geemap.core as geemap

Colab (Python)

# Cloud masking for Landsat 8.
def mask_l8_sr(image):
  qa_mask = image.select('QA_PIXEL').bitwiseAnd(int('11111', 2)).eq(0)
  saturation_mask = image.select('QA_RADSAT').eq(0)

  # Apply the scaling factors to the appropriate bands.
  optical_bands = image.select('SR_B.').multiply(0.0000275).add(-0.2)
  thermal_bands = image.select('ST_B.*').multiply(0.00341802).add(149.0)

  # Replace the original bands with the scaled ones and apply the masks.
  return (
      image.addBands(optical_bands, None, True)
      .addBands(thermal_bands, None, True)
      .updateMask(qa_mask)
      .updateMask(saturation_mask)
  )


# Map the function over one year of data.
collection = (
    ee.ImageCollection('LANDSAT/LC08/C02/T1_L2')
    .filterDate('2020-01-01', '2021-01-01')
    .map(mask_l8_sr)
)

# Make a median composite.
composite = collection.median()

# Demonstration labels.
labels = ee.FeatureCollection('projects/google/demo_landcover_labels')

# Use these bands for classification.
bands = ['SR_B2', 'SR_B3', 'SR_B4', 'SR_B5', 'SR_B6', 'SR_B7']
# The name of the property on the points storing the class label.
class_property = 'landcover'

# Sample the composite to generate training data.  Note that the
# class label is stored in the 'landcover' property.
training = composite.select(bands).sampleRegions(
    collection=labels, properties=[class_property], scale=30
)

# Train a kNN classifier.
classifier = ee.Classifier.smileKNN(5).train(
    features=training, classProperty=class_property
)

# Classify the composite.
classified = composite.classify(classifier)

m = geemap.Map()
m.set_center(-122.184, 37.796, 12)
m.add_layer(
    classified, {'min': 0, 'max': 2, 'palette': ['red', 'green', 'blue']}
)
m